دانلود مقاله ترجمه شده isi

این ترجمه مقاله را با دوستان خود به اشتراک بگذارید.

عنوان اصلی مقاله: برنامه‌ریزی توسعه‌ی تولید چند مرحله‌ای با ترکیب سیستم‌های ذخیره‌ی انرژی مقیاس بزرگ و آلودگی زیست محیطی

 

 

عنوان انگلیسی: Multistage generation expansion planning incorporating large scale energy storage systems and environmental pollution

چکیده

این مقاله به یک برنامه‌ریزی توسعه‌ی تولید (GEP) الکتریسیته‌ی چندمرحله‌ای با ترکیب سیستم‌های ذخیره‌ی انرژی (ESSs) مقیاس بزرگ می‌پردازد. برنامه‌ریزی GEP-ESS هماهنگ پیشنهادی تلاش می‌کند تا هزینه‌ی برنامه‌ریزی و آلودگی زیست محیطی را همزمان به حداقل برساند، و در عین حال به ESS های مقیاس بزرگ توجه کند. مسئله به عنوان یک برنامه‌نویسی غیرخطی مخلوط صحیح بیان شده و با استفاده از الگوریتم PSO حل شده است. مسئله با توجه به محدودیت‌های عملی شبکه حل شده است. ظرفیت‌های ESS برای حمایت از سطح بار اوج و کاهش هزینه‌ی برنامه‌ریزی و آلودگی محیطی نصب و مستقر شده‌اند.

یک سیستم آزمون عادی شامل چندین واحد تولید موجود و داوطلب به منظور ارزیابی روش پیشنهادی در نظر گرفته شده‌اند. ESS هایی با ظرفیت‌های مختلف به عنوان ESS های داوطلب در نظر گرفته شده‌اند. در نظر گرفتن تعداد زیادی از واحدهای مولد و ظرفیت‌های ESS ها انعطاف‌پذیری برنامه‌ریزی را افزایش می‌دهد. نتایج شبیه‌سازی نشان می‌دهند که بهره‌برداری از ESS ها به میزان قابل توجهی هزینه‌ی GEP را کاهش داده و همچنین آلودگی زیست محیطی را کم می‌کنند.

۱٫ مقدمه
برنامه‌ریزی توسعه‌ی سیستم برق می‌تواند بر اساس سیستم تولید [۱-۳]، شبکه‌ی انتقال [۴, ۵]، یا سیستم توزیع [۶-۸] انجام شود. برنامه‌ریزی توسعه‌ی تولید (GEP) برق نشان دهنده‌ی زمان، مکان، ظرفیت و فناوری واحدهای تولیدی جدیدی است که باید به منظور تأمین رشد تقاضای انرژی در معیارهای امنیتی داده شده و در طی یک مدت زمان افق برنامه‌ریزی معمولاً ۱۰ تا ۳۰ ساله ساخته شوند.

GEP از نظر ریاضیاتی به عنوان یک مسئله‌ی بهینه‌سازی محدود، مخلوط صحیح، و غیرخطی مدل شده است که هدف آن به حداقل رساندن (یا به حداکثر رساندن) تابع هدف برنامه‌ریزی با توجه به محدودیت‌های داده شده است. این مسئله‌ی بهینه‌سازی عمدتاً با استفاده از روش‌های ریاضی یا تکنیک‌های بهینه‌سازی فراابتکاری حل شده است. تکنیک‌های ریاضیاتی نظیر برنامه‌نویسی پویا [۹]، برنامه‌نویسی مخلوط صحیح [۱۰]، و برنامه‌نویسی خطی [۱۱] با موفقیت برای حل GEP بکار رفته‌اند. به علاوه، تکنیک‌های بهینه‌سازی فراابتکاری نظیر کلونی مورچه [۱۲]، جستجوی تابو [۱۲]، الگوریتم‌های ژنتیک [۱۳]، الگوریتم زنبور عسل [۱۴]، سیستم ایمنی مصنوعی [۱۵]، برنامه‌نویسی تکاملی [۱۲]، و PSO نیز برای حل GEP استفاده شده‌اند.

شاید این مقاله هم به دردتان بخورد  مقاله تحمل پذیری خطا، چالش ها، روش ها و پیاده سازی در رایانش ابری

همچنین GEP با توجه به توابع هدف مختلف نظیر به حداقل رساندن هزینه‌ی برنامه‌ریزی [۲, ۱۷]، به حداکثر رساندن سود برنامه‌ریزی در بازار بی نظم و قانون برق [۱۸]، به حداکثر رساندن قابلیت اطمینان [۱۳]، به حداقل رساندن آلودگی زیست محیطی [۱۹]، و در نظر گرفتن برنامه‌های مدیریت سمت تقاضا [۲۰] حل شده است. به علاوه، GEP با توجه به محدودیت‌های مختلف نظیر قابلیت اطمینان [۳]، آلودگی زیست محیطی [۲۱]، هزینه‌ی سرمایه‌گذاری [۲۲]، و امنیت [۲۳] مورد بررسی قرار گرفته است.

در GEP، برنامه‌ریزان شبکه باید ظرفیت تولید کافی به منظور تأمین تقاضای اوج را ایجاد نمایند، در حالیکه طول مدت زمان تقاضای اوج در حدود پنج درصد از کا زمان است. در نتیجه، پشتیبانی از بار اوج از طریق سیستم‌های جانبی و کمکی نظیر سیستم‌های ذخیره‌ی انرژی (ESSs) می‌تواند به طور قابل توجهی هزینه‌ی GEP را کاهش دهد. با نصب ESS های مقیاس بزرگ، برنامه‌ریزان شبکه فقط نیاز به ایجاد ظرفیت تولید کافی برای تأمین تقاضای برق میانگین خواهند داشت تا تقاضای اوج [۲۴].

ذخیره‌ی انرژی الکتریکی اصولاً به عنوان فرآیند تبدیل الکتریسیته به یک شکل قابل ذخیره‌ی راحت‌تر برای تبدیل مجدد به الکتریسیته در هنگام نیاز تعریف می‌شود [۲۵]. ESS ها کاربردهای زیادی را در سیستم‌های برق ارائه می‌کنند از جمله کاهش عدم قطعیت‌های منابع تجدیدپذیر [۲۶]، کاربردهای ریز شبکه [۲۷]، کاهش ریسک در بازار برق [۲۸]، کنترل فرکانس – ولتاژ، افزایش ثبات، بهبود کیفیت برق، کمک به رفع ازدحام و تراکم، اصلاح بار اوج، و متعادل کردن بار [۲۹]، بهبود قابلیت اطمینان [۸]، و بازار برق [۳۰].

یکی از مهم‌ترین کاربردهای ESS ها می‌تواند به عنوان کاهش عدم قطعیت‌های منابع تجدیدپذیر در نظر گرفته شود [۶, ۳۱]. تولید نامنظم و بی قاعده‌ی برق تجدیدپذیر از خورشید و باد نیاز به تولید پشتیبان قابل توجهی به منظور حمایت از تقاضای دائمی برق دارد. این مسئله باید انجام شود حتی اگر باد و خورشید با ظرفیت کامل خود کار کنند. علاوه بر این، نفوذ زیاد منابع تجدیدپذیر نیاز به تولید پشتیبان بیشتری خواهد داشت. در چنین سیستم‌هایی، تولید پشتیبان می‌تواند با استفاده‌ی مناسب از ESS ها کاهش یابد. مقاله‌ی [۳۱] تعامل منابع تجدیدپذیر و ESS ها را با توجه به کاهش انرژی پشتیبان مورد نیاز بررسی نموده و نشان می‌دهد که هزینه‌ی نهایی سیستم به دنبال چنین برنامه‌ریزی‌ای کاهش می‌یابد.

شاید این مقاله هم به دردتان بخورد  مقاله تحمل پذیری خطا، چالش ها، روش ها و پیاده سازی در رایانش ابری

کاربرد انرژی بادی در کنار ذخیره‌ی انرژی هوای فشرده (CAES) نیز نتایج مناسبی را نشان می‌دهد [۳۲]. سیستم باد – CAES به محض اینکه انرژی ذخیره شده برای تأمین تقاضا ناکافی باشد اجازه‌ی تعویض از CAES به چرخه‌ی برایتون را می‌دهد. باد – CAES هزینه‌ی سوخت و انتشار CO2 را کاهش می‌دهد، و امنیت تأمین انرژی حتی در مناطقی با پتانسیل باد نسبتاً کم کیفیت را ارتقاء می‌دهد. باد – CAES در مقایسه با سایر جایگزین‌ها مقرون به صرفه است [۳۲]. مقاله‌ی [۳۳] تأثیر ذخیره‌‎ی انرژی در مقیاس صنایع همگانی را بر روی ادغام منابع تجدیدپذیر در مقیاس بزرگ و افزایش انعطاف‌پذیری سیستم بررسی می‌کند. در [۳۳]، پتانسیل جلوگیری از تبادل برق از کشورهای اروپایی با عامل آلودگی CO2 بالاتر به کشورهای اروپایی با عامل آلودگی CO2 پایین‌تر برای سطوح مختلفی از ذخیره‌ی انرژی ارزیابی شده است. نتایج نشان می‌دهند که کاربرد سیستم‌های ذخیره‌ی انرژی در مقیاس شبکه می‌تواند ساختاری را برای بار مسئولیت عادلانه‌ی به اشتراک گذاری تخصیص انتشار در اروپا برای حمایت از یک طرح تأمین انرژی مناسب عرضه کند.

بهره‌برداری از ESS در بازار الکتریسیته نیز مورد تحقیق و بررسی قرار گرفته است [۳۴, ۳۵]. نشان داده شده است که اگر بخش تولید کاملاً رقابتی باشد، اضافه کردن سیستم ذخیره‌ی انرژی همواره باعث افزایش رفاه است. اگر بخش تولید استراتژیک باشد، اضافه کردن انبار انرژی کاملاً رقابتی یا استراتژیک می‌تواند رفاه اجتماعی را کاهش دهد [۳۴]. مقاله‌ی [۳۵] تأثیر قیمت‌های منفی بر روی سیستم‌های ذخیره را بررسی می‌کند. این مقاله نشان می‌دهد که قیمت‌های منفی می‌توانند به طور قابل توجهی ساختار سیاست ذخیره‌ی بهینه را برای سیستم‌های ذخیره‌ی سریع تغییر دهند.

همچنین، برای سیستم‌های ذخیره‌ی کُند، نشان داده شده است که نادیده گرفتن قیمت‌های منفی می‌تواند منجر به از دست رفتن قابل توجه ارزش گردد هنگامی که قیمت‌های منفی در بیش از ۵ درصد از زمان روی می‌دهند. به علاوه، در حضور قیمت‌های منفی، یک کارگزار می‌تواند مازاد برق با قیمت منفی را خریداری کرده و آنها را در مخازن بار محلی تخلیه کند [۳۵].

مقاله‌ی [۳۶] منابع انرژی تجدیدپذیر (RES) را در سیستم تولید برق یونان از دیدگاه حمایت اجتماعی ارائه شده ایستگاه‌های برق مبتنی بر RES (به عنوان مثال، فرصت‌های یارانه‌ای هزینه‌ی اولیه و مکانیزم تغذیه در تعریف) و منافع مالی ناشی از عملیات ایستگاه‌های برق مبتنی بر RES (به عنوان مثال، جایگزینی عملیات ایستگاه‌های برق مبتنی بر سوخت فسیلی، هزینه‌های مالیات، و هزینه‌های اجتماعی اجتناب شده نظیر واردات سوخت و مالیات دی اکسید کربن) بررسی می‌کند. همچنین یک تحلیل هزینه – فایده بر اساس انرژی بادی (پارک‌های بادی)، انرژی برق‌آبی (نیروگاه‌های برق‌آبی کوچک) و انرژی خورشیدی (PVs) ارائه شده است. در نتیجه، شخصیت سودمند باد و برق‌آبی مشخص شده است. از سوی دیگر، اجحاف کردن به دولت یونان در رابطه با اکثریت کاربردهای PV ضرورت بهره‌گیری از پتانسیل خورشیدی محلی و تجاری‌سازی فناوری در بازار یونان را نشان می‌دهد [۳۶].

شاید این مقاله هم به دردتان بخورد  مقاله تحمل پذیری خطا، چالش ها، روش ها و پیاده سازی در رایانش ابری

با توجه به بررسی ادبیات تحقیق در بالا، روشن است که به بسیاری از جنبه‌های ESS ها پرداخته شده است. اما، به کاربرد ESS ها همراه با GEP و آلودگی زیست محیطی به اندازه‌ی کافی پرداخته نشده است و این شکاف دانش در مطالعات قبلی دیده شده است. برخی مطالعات به طور کلی درباره‌ی این موضوع بحث کرده‌اند، اما آنها یک فرمول و روش عملی را ارائه نداده‌اند.

این مقاله یک برنامه‌ریزی هماهنگ برای توسعه‌ی تولید و زمانبندی ESS ها به طور همزمان ارائه می‌دهد. در برنامه‌ریزی پیشنهادی، ESS هایی در مقیاس بزرگ به منظور کاهش هزینه‌ی GEP و همچنین کاهش آلودگی زیست محیطی (CO2، SO2، و NOx) نصب شده‌اند. برنامه‌ریزی GEP-ESS هماهنگ پیشنهادی هزینه‌های مختلف شامل هزینه‌های سرمایه‌گذاری و عملیاتی واحدهای مولد و ESS ها به علاوه‌ی هزینه‌ی آلودگی زیست محیطی به طور همزمان را به حداقل می‌رساند. در این برنامه‌ریزی محدودیت‌های مختلفی در نظر گرفته شده‌اند از جمله محدودیت‌های ESS و تولید به علاوه‌ی محدودیت‌های امنیت شبکه.

برنامه‌ریزی GEP-ESS پیشنهادی از نظر ریاضیاتی به عنوان یک مسئله‌ی بهینه‌سازی محدود، مخلوط صحیح، و غیرخطی بیان شده و با استفاده از الگوریتم PSO حل گردیده است. یک سیستم آزمایش گویا حاوی تعداد زیادی واحد مولد موجود و داوطلب برای شبیه‌سازی برنامه‌ریزی پیشنهادی در نظر گرفته شده‌اند. ESS هایی در مقیاس بزرگ با ظرفیت‌های مختلف به عنوان ESS های داوطلب در برنامه‌ریزی گنجانده شده‌اند. چنین پیکره‌بندی‌ای (تعداد زیادی از واحدهای مولد و ESS هایی با ظرفیت‌های مختلف) به طور قابل توجهی انعطاف‌پذیری برنامه‌ریزی را افزایش می‌دهد. نتایج شبیه‌سازی نشان می‌دهند که برنامه‌ریزی GEP-ESS هماهنگ پیشنهادی به طور کامل هزینه‌ی برنامه‌ریزی را کاهش داده و همچنین آلودگی زیست محیطی را کم می‌کند. به منظور نمایش تأثیرات هزینه‌ها و پارامترها بر روی نتایج، یک تحلیل حساسیت جامع بر روی چنین پارامترهایی انجام می‌شود.

این ترجمه مقاله را با دوستان خود به اشتراک بگذارید.

درباره احسان رضایی

سفارش ترجمه آنلاین خدمات ترجمه مقاله isi به صورت فوری کاهش هزینه و زمان در سفارش ترجمه آنلاین

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *